基于YOLOv5的模塑玻璃瓶缺陷检测：数据集构建与工业部署实战-平芜编程栈

简介：本资源是面向工业质检场景的模塑玻璃瓶表面缺陷识别数据集，专为计算机视觉工程师、自动化检测算法开发者及智能制造方向研究者设计，用于训练和验证YOLOv5等目标检测模型，解决黑点、泡泡颈、破损、刮痕、裂缝等28类典型玻璃瓶制造缺陷的精准识别问题。压缩包共含2000个文件，主体为1999个与图像一一对应的YOLO格式标注txt文件（含边界框坐标与类别ID），另含1个关键yaml配置文件，定义类别名称与路径，便于直接接入YOLOv5训练流程；整体体积45.53MB，轻量高效，适配边缘部署与快速迭代。资源已获19人学习下载，内容结构规范、命名统一、标注严谨，覆盖真实产线采集的多样化缺陷样本，可直接用于模型微调、性能基线测试及工业质检方案原型开发。

1. 项目概述：一个专为模塑玻璃瓶打造的缺陷识别数据集

在工业质检领域，尤其是像模塑玻璃瓶这类外观要求极高的产品线上，缺陷识别一直是个老大难问题。传统的人工目检不仅效率低下、成本高昂，而且受限于人眼的疲劳和主观性，漏检、误判的情况时有发生。近年来，基于深度学习的视觉检测方案逐渐成为主流，但一个绕不开的坎就是：高质量、高精度的数据集。没有好的数据，再先进的算法也是“巧妇难为无米之炊”。

今天要聊的这个项目，正是为了解决这个痛点而生。它是一个专门针对模塑玻璃瓶的缺陷识别数据集，包含了黑点、泡泡颈、破损、刮痕、裂缝等总计28种常见缺陷类型。更关键的是，这个数据集已经完成了高质量的标注工作，并且基于YOLO v5框架进行了初步验证，识别率达到了75.9%。这意味着，如果你正从事玻璃瓶生产、包装质检，或者想研究工业视觉缺陷检测，这个数据集可以为你省下大量的数据采集、清洗和标注时间，直接切入模型训练和优化的核心环节。

这个数据集的价值，远不止于一个“75.9%”的数字。它代表了一种思路：将通用目标检测框架（YOLO）与特定工业场景（玻璃瓶缺陷）深度结合。通过精细化的缺陷分类和标注，我们能够训练出更懂这个行业的模型。接下来，我会从数据集的设计、核心缺陷解析、如何使用它训练YOLO v5模型，以及在实际部署中可能遇到的坑，来完整拆解这个项目。

2. 数据集核心设计与缺陷类别深度解析

一个数据集的好坏，直接决定了模型性能的上限。这个模塑玻璃瓶缺陷数据集的设计，显然考虑到了工业场景的实际复杂性。

2.1 数据采集与场景构建

工业数据集的生命力在于其真实性。据我推测，这个数据集的图像很可能直接来源于生产线的实际拍摄环境。这包括了多种挑战：

光照变化：生产线上的照明可能不均匀，存在反光、阴影。
背景复杂：传送带、机械臂、其他瓶体都可能成为背景干扰。
瓶体姿态多样：瓶子可能以不同角度、不同位置出现在图像中。
缺陷尺度差异大：一个微小的黑点可能只有几个像素，而一条贯穿瓶身的裂缝则非常大。

为了应对这些挑战，数据采集时通常会采用工业相机，在多个工位、不同光照条件下进行拍摄，确保覆盖缺陷在各种“恶劣”环境下的形态。数据量是基础，通常这类数据集会包含数千甚至上万张有效图像，以保证每个缺陷类别都有足够的样本进行学习。

2.2 28种缺陷类别详解与标注策略

28种缺陷的设定，体现了对玻璃瓶生产工艺的深刻理解。我们可以将这些缺陷大致归为几类：

1. 材料与成型缺陷：

黑点 (Black Spot)：原料中混入杂质或模具污染所致，通常为深色、小面积的点状缺陷。标注时需精确框出，即使很小。
泡泡颈 (Bubble Neck)：瓶口颈部因排气不畅形成的气泡或薄壁区域。这是模塑玻璃瓶的典型缺陷，形状不规则，标注框需要贴合其轮廓。
结石 (Stone)：原料中未熔化的颗粒，在瓶体内部或表面形成的凸起。与黑点类似，但可能有立体感。

2. 表面质量缺陷：

刮痕 (Scratch)：生产或运输中与硬物摩擦产生的线状痕迹。有深有浅，方向随机，标注时需用矩形框覆盖整条刮痕。
磨损 (Abrasion)：大面积、密集的细微划痕，导致表面光洁度下降。这类缺陷区域大但对比度低，标注挑战大。
油污 (Oil Stain)：模具润滑或设备油渍沾染，通常表现为一片模糊的、反光特性改变的区域。

3. 结构完整性缺陷：

裂缝 (Crack)：致命缺陷。可能是内应力释放或外力撞击导致，形状细长、分叉。标注必须完整覆盖裂缝的延伸路径，哪怕它非常细微。
破损 (Breakage)：瓶体局部缺失，如瓶口崩缺、瓶身破洞。标注框需包围破损区域。
厚薄不均 (Wall Thickness Variation)：瓶身不同部位厚度差异过大，影响强度。这通常需要特殊照明（背光）才能清晰成像，标注的是厚度异常的区域。

4. 尺寸与形状缺陷：

歪颈 (Bent Neck)：瓶口中心线与瓶身中心线偏差过大。
椭圆度超标 (Ovality)：瓶口或瓶身不圆。

注意：对于尺寸和形状类缺陷，在2D图像上直接标注边界框有时不足以准确描述问题。高级的数据集可能会辅以关键点标注（如标注瓶口边缘的多个点）来计算椭圆度或倾斜角度。这个数据集可能采用了边界框+类别标签的方式，对于形状缺陷，框住异常区域并赋予“歪颈”类别，模型学习的是该区域与正常瓶口的视觉差异。

标注格式：为了适配YOLO v5，数据集标注极大概率采用YOLO格式的.txt文件。每个图像对应一个文本文件，每行代表一个标注对象，格式为：<class_id> <x_center> <y_center> <width> <height>。这里的坐标和尺寸都是相对于图像宽度和高度的归一化值（0-1之间）。class_id就是0到27之间的整数，对应28种缺陷。

3. 基于YOLO v5的模型训练与调优实战

拿到一个标注好的数据集，下一步就是把它“喂”给模型。YOLO v5虽然已有新版，但其v5版本在速度、精度和易用性上依然非常均衡，是工业部署的常青树。下面是如何利用这个数据集训练一个专属检测模型。

3.1 环境准备与数据组织

首先，你需要一个标准的YOLO v5训练环境。我推荐使用Python 3.8+和PyTorch 1.7+。

# 克隆YOLOv5仓库 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt # 安装依赖

接下来，按照YOLO v5要求组织你的数据集目录结构：

glass_bottle_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 └── labels/ ├── train/ # 训练集标注文件 (.txt) └── val/ # 验证集标注文件 (.txt)

你需要将数据集按一定比例（如8:2）划分为训练集和验证集，并确保图片和标注文件一一对应。

然后，创建一个数据集配置文件glass_bottle.yaml，放在yolov5/data/目录下：

# glass_bottle.yaml path: ../glass_bottle_dataset # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 # 类别数量 nc: 28 # 类别名称列表，必须与标注文件中的class_id顺序严格对应 names: ['black_spot', 'bubble_neck', 'crack', 'scratch', 'breakage', ...] # 此处列出全部28个缺陷名称

3.2 模型选择与训练启动

YOLO v5提供了不同大小的预训练模型（yolov5s.pt,yolov5m.pt,yolov5l.pt,yolov5x.pt）。对于工业缺陷检测，我的经验是：

yolov5s：模型最小，速度最快。如果部署在算力有限的边缘设备（如工控机、带GPU的嵌入式设备）上，且对实时性要求极高（如生产线速度很快），可以优先尝试。但可能对微小缺陷（如黑点）的召回率不够高。
yolov5m或yolov5l：最推荐的起点。它们在精度和速度之间取得了很好的平衡。对于28个类别、缺陷形态多样的场景，yolov5l通常能提供更稳健的性能。项目提到的75.9%识别率，很可能是在yolov5l或yolov5x上取得的。
yolov5x：模型最大，精度潜力最高，但训练和推理速度最慢。适用于对精度有极致要求，且云端服务器算力充足的场景。

启动训练的命令如下：

python train.py --img 640 --batch 16 --epochs 100 --data data/glass_bottle.yaml --weights yolov5l.pt --project runs/train --name glass_bottle_exp

--img 640: 输入图像尺寸。YOLO v5训练时会自动缩放到此尺寸。640是一个常用值，平衡了细节信息和计算量。如果缺陷非常微小，可以尝试增大到960甚至1280，但会显著增加显存消耗和训练时间。
--batch 16: 批大小。根据你的GPU显存调整。显存不足时减小此值，或使用--batch-size。
--epochs 100: 训练轮数。对于新数据集，100轮是个合理的起点，可以通过观察验证集指标提前停止。
--data: 指定我们刚创建的数据集配置文件。
--weights: 指定预训练模型权重。使用预训练权重可以大大加快收敛速度，提升最终性能。
--project和--name: 指定训练日志和结果输出的目录。

3.3 关键训练技巧与超参数调优

直接训练可能达不到最佳效果，尤其是面对28个类别、样本可能不均衡的数据集。这里有几个实战技巧：

1. 数据增强策略：YOLO v5内置了强大的数据增强（在hyp.scratch.yaml或hyp.finetune.yaml中配置）。对于玻璃瓶缺陷，我建议调整：

增强几何变换：degrees（旋转）、shear（剪切）可以模拟瓶子在传送带上的轻微角度变化。
谨慎使用色彩抖动：hsv_h,hsv_s,hsv_v（色相、饱和度、明度调整）要适度，因为某些缺陷（如油污、黑点）的颜色和对比度特征是关键，过度增强可能破坏这些特征。
启用Mosaic和MixUp：这是YOLO v5的利器，能极大提升模型鲁棒性。对于小目标缺陷（黑点），Mosaic增强非常有效。

2. 类别不平衡处理：28类缺陷中，像“裂缝”这种严重缺陷的样本可能远少于“刮痕”。YOLO v5的损失函数默认未对类别加权。如果发现某些类别召回率极低，可以尝试：

过采样：在数据加载阶段，对少数类别的图片进行重复采样。
损失函数加权：修改损失计算代码，为少数类别分配更高的权重。但这需要改动源码，需谨慎。

3. 学习率与优化器：使用预训练权重时，建议采用较小的初始学习率进行微调。可以在启动训练时使用--hyp hyp.finetune.yaml，这个配置文件中的学习率设置更为保守。同时，使用--adam优化器有时比默认的SGD在微调阶段表现更好。

4. 锚框（Anchor）重聚类：YOLO v5使用K-means算法在数据集上聚类生成9个先验锚框尺寸。虽然预训练模型的锚框在COCO数据集上表现良好，但针对玻璃瓶缺陷（尤其是小目标）重新聚类锚框，可能带来性能提升。YOLO v5提供了utils/autoanchor.py工具来进行此操作。

训练过程中，务必使用TensorBoard或YOLO v5自带的日志工具监控关键指标：train/box_loss,train/obj_loss,train/cls_loss以及验证集的mAP@0.5和mAP@0.5:0.95。mAP@0.5（即IoU阈值为0.5时的平均精度）是衡量检测性能的核心指标，项目中的75.9%很可能指的就是这个值。

4. 从训练到部署：模型优化与落地挑战

训练出一个模型文件（.pt）只是第一步，要让它在生产线上稳定运行，还有很长的路要走。

4.1 模型导出与性能优化

训练完成后，你需要将PyTorch模型导出为适合部署的格式。对于工业环境，常见选择有：

TorchScript(--include torchscript)：PyTorch原生格式，兼容性好，便于后续C++集成。
ONNX(--include onnx)：开放格式，可以被多种推理引擎（如TensorRT, OpenVINO）支持。
TensorRT(--include engine)：如果你使用NVIDIA GPU，并追求极致推理速度，导出为TensorRT引擎是最佳选择。

python export.py --weights runs/train/glass_bottle_exp/weights/best.pt --include onnx --img 640 --batch 1 --simplify

导出时指定--batch 1是因为产线推理通常是单张图片处理。--simplify选项可以优化ONNX模型结构。

量化与加速：为了进一步提升边缘设备上的速度，可以考虑：

FP16半精度推理：在支持TensorRT或某些GPU上，使用半精度浮点数，速度可提升近一倍，精度损失很小。
INT8量化：通过校准将模型权重和激活值转换为8位整数，能大幅减少模型体积和提升速度，但对精度影响较大，需要仔细校准。对于75.9%的模型，量化前务必在验证集上充分测试。

4.2 部署架构与推理流水线设计

一个完整的工业缺陷检测系统，不仅仅是运行模型。它通常包含以下模块：

图像采集模块：触发工业相机在瓶体到达指定位置时拍照。需要考虑触发信号的稳定性、相机曝光时间与生产线速度的匹配。
图像预处理模块：对采集到的原始图像进行去噪、ROI（感兴趣区域）裁剪、亮度归一化等操作，使其更接近训练数据分布。
推理服务模块：加载优化后的模型，执行前向传播，得到缺陷的类别、位置和置信度。
后处理与决策模块：对模型输出进行过滤（如根据置信度阈值过滤掉不可靠的检测），应用业务逻辑（如一个瓶子上出现“裂缝”则直接判定为不合格），并生成结果。
结果输出模块：将判定结果（OK/NG）通过IO卡、网络协议等方式发送给PLC，控制机械臂将不良品剔除。

这个流水线可以用Python（如Flask/FastAPI构建服务）、C++（追求极致性能）或专门的视觉软件（如Halcon, VisionPro）来搭建。

4.3 提升识别率：超越75.9%的实战策略

项目基线是75.9%的mAP，这在工业场景中可能有提升空间。我们可以从数据和模型两方面入手：

数据层面：

困难样本挖掘：分析模型在验证集上的错误，找出那些被漏检（False Negative）或误检（False Positive）的瓶子图片。将这些“困难样本”加入训练集重新标注和训练，能有效提升模型在薄弱环节的表现。
合成数据增强：对于极其罕见但重要的缺陷（如特定类型的裂缝），可以使用图像合成技术（如Copy-Paste），将缺陷“粘贴”到正常瓶体图像上，生成更多训练样本。
多角度拍摄：如果条件允许，在产线增设相机，从瓶子的不同侧面（如正视图、侧视图、俯视图）同时拍摄，融合多视角信息进行判断，能显著提升对某些缺陷（如厚薄不均）的检出率。

模型层面：

更换检测头：YOLO v5的检测头是Anchor-Based的。可以尝试替换为Anchor-Free的检测头（如YOLOX的Decoupled Head），或者引入注意力机制（如CBAM, SE），看看是否对复杂背景下的缺陷检测有帮助。
模型集成：训练多个不同初始化或不同数据增强策略的YOLO v5模型，在推理时对它们的预测结果进行加权融合，通常能稳定提升1-3个点的mAP，但代价是推理速度变慢。
引入分类网络：采用两阶段策略。第一阶段用YOLO快速定位疑似缺陷区域（ROI），第二阶段用一个更精细的图像分类网络（如ResNet, EfficientNet）对这些ROI进行二次分类，判断具体缺陷类型。这能提高分类精度，尤其对于外观相似的缺陷（如黑点 vs. 深色油污）。

5. 常见问题排查与避坑指南

在实际操作中，你肯定会遇到各种各样的问题。这里我整理了一些典型问题及其解决思路。

5.1 训练阶段问题

问题现象	可能原因	排查与解决思路
Loss不下降或震荡剧烈	学习率设置过高；数据标注存在大量错误；数据预处理出错（如图像未归一化）。	1. 使用`--hyp hyp.finetune.yaml`尝试更低学习率。 2. 使用`utils/plots.py`中的脚本可视化一批训练数据及其标注，检查标注框是否准确。 3. 检查数据加载管道，确认图像被正确读取和转换。
某些类别mAP始终为0	该类别训练样本数量极少；标注类别ID错误；缺陷特征过于模糊，模型难以学习。	1. 统计每个类别的样本数，对极少样本类别进行过采样或数据增强。 2. 核对数据集YAML文件中的`names`列表顺序是否与标注文件的`class_id`完全对应。 3. 检查该类别的图像，看缺陷是否肉眼都难以分辨，可能需要改进成像系统（如特殊光源）。
验证集mAP远低于训练集	严重过拟合；训练集和验证集数据分布差异大（如光照、背景不同）。	1. 增加数据增强的强度（如随机裁剪、遮挡），或使用Dropout层（YOLO v5默认已使用）。 2. 检查数据集划分是否随机，确保训练集和验证集来自同一分布。可以人工浏览两个集合的图片感受差异。
训练速度非常慢	图像尺寸(`--img`)设置过大；批大小(`--batch`)过小；GPU性能不足或未启用CUDA。	1. 尝试将`--img`从640降低到512或416。 2. 在显存允许范围内尽可能增大`--batch`。 3. 在Python中检查`torch.cuda.is_available()`是否为True。

5.2 部署与推理阶段问题

问题现象	可能原因	排查与解决思路
推理结果时好时坏	生产线光照不稳定；相机对焦不准；模型输入图像预处理与训练时不符。	1. 为视觉工位增加稳定的光源（如环形LED灯），避免环境光干扰。 2. 定期检查相机镜头清洁度和对焦。 3.至关重要：确保部署时的图像预处理（缩放、归一化、通道顺序）与训练时完全一致。YOLO v5的预处理代码在`utils/datasets.py`的`letterbox`函数中，部署时应复用它。
小缺陷（黑点）漏检严重	模型在训练时对小目标学习不足；推理时输入图像分辨率过低。	1. 训练时使用更大的输入尺寸（如`--img 960`），并确保数据集中小缺陷的标注足够精确。 2. 推理时不要将原图过度下采样。可以尝试将原图裁剪成多个重叠区域分别推理，再合并结果（滑动窗口法）。 3. 在模型结构上，可以尝试使用更注重小目标的检测器（如YOLO v5的P2小目标检测层，或PP-PicoDet）。
误检率高（将正常部位判为缺陷）	训练集中负样本（无缺陷图片）不足；置信度阈值设置过低。	1. 在训练集中加入足够多的、各种状态下的“完美”瓶体图片，并给予一个“背景”或“正常”类别，或者不标注任何框。 2. 在推理后处理中，提高置信度阈值(`conf-thres`)，过滤掉不可信的预测。可以通过绘制PR曲线来选择一个合适的阈值。
推理速度达不到实时要求	模型过大（如用了yolov5x）；部署环境硬件性能不足；推理代码未优化。	1. 换用更小的模型（`yolov5s`），或对模型进行剪枝、量化。 2. 使用更高效的推理引擎，如TensorRT、ONNX Runtime。 3. 检查推理代码是否存在不必要的循环或内存拷贝，使用性能分析工具（如Py-Spy, NVIDIA Nsight）定位瓶颈。

5.3 关于“识别率75.9%”的理性看待

最后，必须谈谈这个“75.9%”的识别率。在学术论文或项目介绍中，这通常是在一个固定的、干净的测试集上计算出的mAP值。但在真实的、不断变化的生产线上，“现场识别率”才是关键。这个值会受到光线变化、产品型号切换、设备振动、镜头污渍等无数因素的影响。因此，我的建议是：

建立自己的测试集：从你自己的生产线上，采集涵盖各种工况、各种缺陷的图片，构建一个线下测试集。用这个测试集去评估任何模型（包括这个数据训练出的模型），得到的分数才对你更有参考价值。
定义业务指标：抛开mAP，从业务角度定义核心指标。例如：漏检率（严重缺陷如裂缝被漏掉的比例）必须低于0.1%；过杀率（将合格品误判为不良品的比例）需要控制在一定范围内以降低成本。
持续迭代：工业AI模型不是一劳永逸的。当出现新的缺陷类型、更换原材料、或调整工艺时，模型性能可能会下降。需要建立一个机制，定期收集新的不良品图像，对模型进行迭代更新和重新训练。

这个带标注的模塑玻璃瓶缺陷数据集，是一个极佳的起点和强大的工具。它为你提供了高质量的数据燃料和性能基线。但真正的挑战，在于如何利用好这个工具，结合对生产工艺的深刻理解，设计出稳定、可靠、能够真正融入生产线节奏的智能检测系统。这其中的工程细节和问题排查，往往比跑通一个训练脚本要复杂得多，但也正是价值所在。

本文还有配套的精品资源，点击获取